Tiendas de vectores - Tiendas semánticas

Almacén de vectores

• Qué almacena:Vectores (también denominados embeddings), que son representaciones numéricas del contenido, como documentos, pasajes, mensajes de chat, código o imágenes, además de metadatos (ID, registro de hora, origen, etc.).
• Qué hace: admite una búsqueda de similitud rápida (y, a menudo, una búsqueda híbrida), para que pueda recuperar los datos más relevantes de los datos proporcionados.

Tienda de vectores en IA generativa

• Generación aumentada por recuperación de poderes (RAG): embeba orígenes de conocimiento con un almacén de vectores, recupera los fragmentos más similares en el momento de la consulta y, a continuación, los proporciona al LLM como contexto con conexión a tierra.
• Analiza las respuestas: mejora la relevancia de la información recuperada y reduce las posibilidades de utilizar información alucinada al poner en tierra las respuestas en el contenido empresarial recuperado.

Ejemplos de casos prácticos

• Búsqueda de documentos relevantes que coincidan con las preguntas del usuario.
• Impulsando la búsqueda contextual en bots conversacionales.

Flujo de trabajo de ejemplo

1. Fragmente un PDF en párrafos.
2. Crear un vector de incrustación para cada párrafo.
3. Almacene vectores + texto de párrafo + metadatos en el almacén de vectores.
4. Cuando un usuario hace una pregunta, incruste la pregunta y recupere los párrafos más cercanos para incluirlos como contexto para el modelo.

Para utilizar NL2SQL, cree un recurso de almacén semántico de OCI.

Un almacén semántico está respaldado por un almacén vectorial con datos estructurados e incluye las siguientes conexiones de DBTools:

• Conexión de enriquecimiento
• Conexión de consulta

En la consola, para crear un almacén semántico, se crea un almacén vectorial con datos estructurados. En la API, puede utilizar la API de CreateSemanticStore.

Obtenga más información sobre SQL Search (NL2SQL).